La catena di approvvigionamento coinvolge diversi settori, dalla grande distribuzione alimentare alla produzione industriale. Chi si occupa di gestione del magazzino deve poter trattare una vasta gamma di prodotti, inclusi alimenti freschi, farmaci, prodotti elettronici, ecc. Come può l’AI supportare la gestione del magazzino?
Gestione del magazzino con l’AI, ecco come
L’AI può supportare la gestione del magazzino principalmente in due modi:
Forecasting della domanda
L’AI può aiutare a prevedere la domanda futura, identificando tendenze e anomalie nei flussi di merci. Questo permette di ottimizzare le scorte e di ridurre il rischio di under/over stock.
I modelli di forecasting possono essere basati su tecniche di Machine learning, come Random Forest o Exponential Smoothing ecc, oppure di Deep learning come le reti neurali convolutive (CONV1D). Questi modelli possono essere addestrati sui dati storici di vendita e di domanda, tenendo conto di fattori come la stagionalità, le promozioni, ecc. In base a quanti dati sono a disposizione e a quanto sono profonde le serie storiche si può scegliere il modello più idoneo.
Tendenzialmente, i modelli di Machine learning sono più adatti per dataset con pochi dati esogeni e serie storiche poco profonde, mentre i modelli di Deep Learning sono più adatti per dataset più ricchi. Il compito di questi modelli in generale è quello di trovare pattern nei dati e di prevedere la domanda futura in base a questi pattern. Per questo motivo avere a disposizione dati esogeni come le promozioni, le tipologie dei prodotti, ecc. può migliorare la precisione delle previsioni dando informazioni di contesto oltre che la storia delle vendite a sé stante.
Ottimizzazione degli approvvigionamenti
L’AI può aiutare a gestire i fornitori in modo più efficiente, ottimizzando gli ordini di acquisto in base alle previsioni di domanda. Oltre ai modelli di forecasting, infatti, una branca molto ricca di applicazioni dell’AI è quella dell’ottimizzazione, che si occupa di trovare la soluzione migliore a un problema in base a determinati vincoli. Ad esempio, si può utilizzare l’AI per ottimizzare la sequenza di picking degli ordini, minimizzando i movimenti di magazzino e riducendo i tempi di consegna. Oppure si può utilizzare l’AI per ottimizzare la capacità di stoccaggio, trovando la disposizione migliore dei prodotti all’interno del magazzino.
Nell’ambito dell’approvvigionamento, l’AI può aiutare suggerendo la quantità ottimale di prodotti da ordinare in base alla previsione di domanda, ai tempi di consegna dei fornitori, ai costi di stoccaggio, ai vincoli di riordino quali minimo d’ordine, multiplo di riordino, ecc. Questo permette di ridurre il rischio di under/over stock e di ottimizzare i costi di approvvigionamento, trovando il giusto mix tra mantenere un elevato livello di servizio per i clienti, evitare immobilizzazioni eccessive di capitale e ridurre i costi di gestione del magazzino. Bilanciare questi obiettivi contrastanti è lo scopo principale di questa tipologia di algoritmi, che possono essere basati su tecniche di ottimizzazione come la programmazione lineare discreta, la programmazione dinamica, gli algoritmi genetici, ecc.
Dobbiamo considerare che questo bilanciamento deve essere fatto per ogni articolo in magazzino, ognuno dei quali potrebbe avere delle caratteristiche diverse, come la shelf life, il lead time di fornitura, vincoli di minimo/massimo d’ordine, multiplo di riordino. L’AI può aiutare a gestire la complessità di questo problema considerando tutti questi fattori contemporaneamente e generando una soluzione ottimale.
La decisione finale spetta all’essere umano
L’AI propone un suggerimento di quantità da ordinare, ma la decisione finale spetta sempre all’essere umano, che può valutare il suggerimento dell’algoritmo insieme ad altri fattori come la disponibilità di liquidità, la strategia aziendale, ecc. L’AI è brava a rispondere, non a farsi domande, quindi non sostituisce la decisione umana, ma la supporta.
I modelli di forecasting e di ottimizzazione possono essere integrati in un sistema di gestione del magazzino (WMS) per automatizzare le decisioni di approvvigionamento e di stoccaggio, riducendo il rischio di errori umani e migliorando l’efficienza delle operazioni di magazzino
Nonostante questa grande varietà, i problemi principali sono simili in tutti i settori:
Deperimento della merce e obsolescenza
- Il deperimento riguarda i prodotti freschi, per i quali è essenziale gestire le scorte in modo efficiente entro il termine di shelf-life di uscita
- L’obsolescenza riguarda prodotti che diventano obsoleti a causa di cambiamenti di mercato o tecnologici, come ad esempio i dispositivi elettronici.
In entrambi i casi è fondamentale minimizzare gli sprechi per ridurre le costose perdite per mancate vendite o spazio in magazzino occupato da prodotti invenduti.
Incremento nei costi di gestione del magazzino
- I costi di gestione del magazzino includono il personale, l’energia, l’affitto dello spazio, i sistemi di gestione delle scorte
- Un magazzino inefficiente può portare a costi elevati e a una riduzione della competitività dell’azienda
Per affrontare questi problemi, la gestione del magazzino deve concentrarsi su diversi obiettivi:
- Ottimizzazione degli spazi: utilizzare al meglio lo spazio disponibile per ridurre i costi di mantenimento del magazzino
- Minimizzazione del valore economico immobilizzato in magazzino: si deve cercare di bilanciare le giacenze di magazzino in modo tale da mantenere un alto livello di servizio verso i clienti evitando però immobilizzazioni eccessive di capitale
- Riduzione dei movimenti di magazzino: ridurre i movimenti inutili di prodotti all’interno del magazzino, per esempio ottimizzando la sequenza di picking degli ordini, porta a una maggiore efficienza e a una riduzione dei costi
- Ottimizzazione delle scorte mantenendo un alto livello di servizio per i clienti: occorre bilanciare la disponibilità di tutti i prodotti in magazzino in modo da garantire un alto livello di servizio per i clienti, evitando al contempo scorte eccessive che porterebbero a immobilizzazioni di capitale e costi di mantenimento elevati. Per ogni articolo ci si vuole assicurare che la quantità disponibile sia sufficiente a soddisfare la domanda prevista, tenendo conto di fattori come la stagionalità, le promozioni, ecc.
Al tempo stesso la domanda potrebbe subire variazioni impreviste o la catena di approvvigionamento potrebbe subire interruzioni o ritardi, quindi, è importante avere un margine di sicurezza per evitare la rottura dello stock. Per questo motivo bisogna impostare un livello di sicurezza per ogni articolo (safety stock), che rappresenta la quantità ideale che si vuole mantenere in magazzino per tutelarsi da eventuali imprevisti.
Conclusioni
L’intelligenza artificiale offre delle opportunità senza precedenti per migliorare l’efficienza, la precisione e la sicurezza delle operazioni di magazzino. Grazie ai modelli di forecasting e di ottimizzazione, l’AI può aiutare a prevedere la domanda futura, a ottimizzare gli approvvigionamenti e a ridurre i costi di gestione del magazzino. Questo permette alle aziende di migliorare la competitività, riducendo gli sprechi e aumentando la soddisfazione dei clienti.
È importante ricordare che l’AI non sostituisce la decisione umana, ma la supporta, offrendo suggerimenti basati sui dati e sull’analisi statistica, che permettono di migliorare sensibilmente le proprie performance. In questo modo, i manager di magazzino possono avvalersi dell’AI come un prezioso alleato per prendere decisioni informate e ottenere risultati sempre più accurati ed efficaci.
Riferimenti
- https://www.forbes.com/sites/forbesbusinesscouncil/2024/06/17/how-ai-decision-intelligence-is-transforming-warehouses/
- https://www.inboundlogistics.com/articles/how-artificial-intelligence-will-impact-the-supply-chain-in-2024/
- https://www.ascm.org/making-an-impact/research/top-supply-chain-trends-in-2024/
